Një mijë rrugë më pak drejt aksesit root

Kërkimi në fushën e sigurisë, që dikur kërkonte një hetim të veçantë e të vazhdueshëm për çdo gjetje, gjithnjë e më shumë mund të kryhet si një proces sistematik. Ky dokument shqyrton një nga përpjekjet tona në këtë fushë.

Zbulimi i dobësive po bëhet më i lehtë për t’u zgjeruar në shkallë, por përcaktimi i përparësive dhe verifikimi mbeten pengesa operative. Ndërtuam një prototip për të kërkuar mangësi sigurie në kernelin Linux brenda një mjedisi të kontrolluar kërkimor. Prototipi ynë identifikoi dhe analizoi 2 308 gjetje të mundshme në kernelin Linux, riprodhoi në mënyrë dinamike 1 724 dobësi dhe prodhoi 948 kode shfrytëzimi për ngritje lokale të privilegjeve (LPE), që mund t’i lejonin një përdoruesi lokal pa privilegje të fitonte akses root.

I përdorëm këto prova për të përcaktuar përparësinë e raportimit të dobësive dhe zhvilluam korrigjime të propozuara për shqyrtim nga mirëmbajtësit. Duke ndjekur udhëzimet e komunitetit të kernelit Linux, filluam me dobësitë kritike dhe po punojmë me partnerët e Patch the Planet për raporte dhe korrigjime të tjera.

Në qershor, si pjesë e nismës sonë Patch the Planet, njoftuam se GPT‑5.5 Cyber kishte identifikuar dobësi në kernelin Linux dhe kishte zhvilluar 24 kode shfrytëzimi për ngritje lokale të privilegjeve, për t’i verifikuar dhe raportuar ato. E zgjeruam atë punë në një proces të mbështetur nga një model i ardhshëm kibernetik, që përfshin zbulimin e dobësive, verifikimin dinamik, vlerësimin e mundësisë së shfrytëzimit dhe gjenerimin e korrigjimeve. Pas përfundimit të tij, studiuesit njerëzorë shqyrtuan rezultatet dhe raportuan dobësitë e gjetura së bashku me korrigjimet.

Kerneli Linux është në themel të pajisjeve Android, infrastrukturës në re, superkompjuterëve dhe sistemeve të tjera që përdoren nga miliarda njerëz. Me më shumë se 40 milionë rreshta kodi, kerneli ofron një sipërfaqe të gjerë sulmi përmes thirrjeve të sistemit, funksioneve të rrjetit, sistemeve të skedarëve dhe drejtuesve të pajisjeve. Zgjodhëm Linux për të studiuar sa efektivisht mund të gjenin dobësi modelet avangardë dhe të demonstronin ndikimin e tyre në siguri në një bazë kodi të kësaj përmase dhe rëndësie.

Faza fillestare e zbulimit të dobësive prodhoi mijëra gjetje të mundshme, tepër shumë që studiuesit e sigurisë t’i shqyrtonin dhe t’u përcaktonin përparësinë manualisht. Sfida operative e procesit tonë të zbulimit të dobësive nuk ishte zbulimi, por përcaktimi se cilat gjetje mund të riprodhoheshin, çfarë kufiri sigurie kapërcenin dhe cilat kërkonin vëmendjen më të hershme të mirëmbajtësve.

Misioni i ekipit Cyber të OpenAI është të ndihmojë në sigurimin e softuerit nga i cili varet bota. Raportojmë kostot e API-së për çdo fazë për t’i ndihmuar studiuesit të vlerësojnë burimet e nevojshme për ta riprodhuar dhe zgjeruar këtë punë. Këto kosto pasqyrojnë modelet, konfigurimet e objektivave dhe fluksin e punës të përdorur në këtë vlerësim. Synimi ynë më i gjerë është t’i ndihmojmë mbrojtësit të gjejnë dhe korrigjojnë dobësi, duke pakësuar mundësitë e sulmuesve dhe duke rritur koston e shfrytëzimit të softuerit prej tyre.

Së fundi, vër re se në këtë studim u përqendruam te metodologjia dhe matja e aftësive të modelit, jo te kostoja. Presim që një punë e mjaftueshme inxhinierike mbi strukturën të mund ta ulë ndjeshëm koston në çdo fazë; prandaj, kostot që raportojmë përfaqësojnë më tepër një kufi të sipërm.

Prototipi ynë i kërkimit të dobësive është një proces me pesë faza, që ka në qendër një model të ardhshëm kibernetik:

• Zbulimi i dobësive: Agjentët identifikojnë pjesët e bazës së kodit që lidhen me sigurinë dhe i skanojnë për gjetje të mundshme.

• Verifikimi dinamik: Agjentët përpiqen të riprodhojnë çdo gjetje të mundshme në një mjedis të izoluar dhe ruajnë provat nga ekzekutimi. Ky hap jep si rezultat dobësitë e riprodhuara dhe të verifikuara.

• Vlerësimi i mundësisë së shfrytëzimit: Agjentët testojnë nëse dobësitë e verifikuara mund të mundësojnë zbulimin e informacionit ose ngritjen lokale të privilegjeve.

• Gjenerimi i korrigjimeve: Agjentët gjenerojnë korrigjime për çdo dobësi të identifikuar.

• Shqyrtimi njerëzor: Studiuesit e sigurisë shqyrtojnë kodin e shfrytëzimit, korrigjimin dhe nivelin e propozuar të rëndësisë përpara raportimit te mirëmbajtësit.

Në fund të procesit, sistemi bashkon një analizë të shkakut rrënjësor, një demonstrim minimal që shkakton ndërprerje të programit, një korrigjim të propozuar dhe një kod të plotë shfrytëzimi, për t’i ndihmuar studiuesit njerëzorë të vlerësojnë rëndësinë e dobësisë dhe t’i përfshijnë korrigjimet në projektin burimor.

Jo çdo rresht kodi në kernelin Linux lidhet me sigurinë. Procesi ynë përdori një ekip agjentësh zbulues për të identifikuar objektiva auditimi me vlerë të lartë, të cilat më pas iu kaluan agjentëve analistë për skanimin e dobësive.

Agjentët zbulues lexojnë çdo dosje dhe skedar dhe përcaktojnë objektivat për auditim sipas qasshmërisë së tyre nga përdoruesit me privilegje të ulëta dhe rëndësisë për sigurinë.

Kjo fazë identifikoi 5 034 objektiva auditimi, rreth 2,8 milionë rreshta kodi, ose afërsisht 7% të të gjithë bazës së kodit të kernelit Linux, duke ulur ndjeshëm koston e auditimit të sigurisë krahasuar me analizën e plotë të bazës së kodit. Ky hap kushtoi 3 426 $ në kredite API.

Më pas, agjentët analistë analizuan çdo objektiv auditimi dhe prodhuan gjetje të mundshme me një fluks pune të ngjashëm me atë të shtesës Codex Security⁠(hapet në një dritare të re). Në vija të përgjithshme, agjentët analistë lexojnë kodin e objektivit të caktuar për auditim për të kuptuar si funksionon, për të identifikuar modelin e kërcënimit dhe për të kërkuar dobësi në të.

Brenda 12 orëve, agjentët analistë prodhuan 2 308 gjetje të mundshme pas heqjes së dublikatave. Kjo fazë kushtoi 316 549 $ në kredite API.

Një gjetje e mundshme nuk është e njëjta gjë me një dobësi të verifikuar. Në këtë shkallë, hetimi manual i çdo raporti është i pazbatueshëm për ekipin tonë kërkimor.

Prandaj u përqendruam te verifikimi i gjetjeve që a) ishin të qasshme nga një përdorues me privilegje të ulëta, b) nuk kërkonin autorizime të veçanta dhe c) prodhonin prova të matshme të korruptimit të memories.

Për çdo gjetje të mundshme, një agjent i vlerësimit fillestar gjeneroi një demonstrim dhe e ekzekutoi në një makinë virtuale të izoluar me kernel Linux dhe Kernel Address Sanitizer (KASAN). Agjenti vëzhgoi si daljen e programit, ashtu edhe konsolën e sistemit, pastaj e përpunoi demonstrimin në mënyrë të përsëritur derisa riprodhoi sjelljen e raportuar ose shteroi mënyrat e mundshme për ta shkaktuar atë.

Brenda 30 orëve, sistemi ynë riprodhoi 1 724 dobësi, rreth 74,7% të 2 308 gjetjeve të mundshme. Shqyrtimi vetëm statik i kodit mund të japë rezultate pozitive të rreme, ndaj na bëri përshtypje saktësia e agjentëve analistë dhe efektiviteti i agjentëve të vlerësimit fillestar, që krijuan në mënyrë autonome demonstrime funksionale për pothuajse tre të katërtat e gjetjeve të mundshme.

Shumica e gjetjeve të mbetura ose kërkonin privilegje të larta, ose nuk u riprodhuan brenda kohës së caktuar për shkak të kushteve të vështira të garës, kushteve specifike të aktivizimit (p.sh. nevojitej një dështim alokimi në një rresht të caktuar), apo verifikimit që kërkonte shumë kohë (p.sh. tejkalimi dhe rikthimi në zero i numëruesit të referencave). Vetëm 3,1% pasqyronin analizë të pasaktë nga modeli, ku dobësia e raportuar supozonte një kusht të pamundur.

Faza e verifikimit kushtoi gjithsej 73 330 $ në kredite API. Vumë re se në procesin tonë të verifikimit, ku duhej gjeneruar një demonstrim për të konfirmuar nëse një gjetje ishte dobësi reale, ky proces kushtonte më shumë sesa dhënia e një rekomandimi vetëm mbi analizë statike. Kostot e përpjekjeve për të verifikuar një rezultat pozitiv të vërtetë dhe një pozitiv të rremë ishin të ngjashme. Prandaj, eliminimi i rezultateve pozitive të rreme më herët në proces e bën atë dukshëm më ekonomik.

Verifikimi përcakton se një dobësi është reale, por jo sa urgjentisht duhet trajtuar. Për shembull, një dobësi që mundëson ngritjen lokale të privilegjeve meriton përparësi më të lartë sesa një dobësi që mund të shkaktojë vetëm mohim lokal të shërbimit. Me 1 724 dobësi të verifikuara, detyra e radhës ishte identifikimi i gjetjeve me ndikimin më të madh të mundshëm në siguri.

Një agjent i përzgjedhjes fillestare shqyrtoi në mënyrë statike çdo raport, regjistër ndërprerjeje dhe kod burimor përkatës. Kriteret e tij ishin qëllimisht tolerante për të mos përjashtuar gjetje potencialisht serioze, duke filtruar njëkohësisht rastet pa një rrugë të besueshme shfrytëzimi. Kjo i ngushtoi rezultatet në 313 raste të mundshme të rrjedhjes së informacionit dhe 1 238 raste të mundshme të ngritjes lokale të privilegjeve.

Agjentët e zhvillimit të kodeve të shfrytëzimit (ExploitDev) i testuan më pas këto raste në makina virtuale të izoluara, të konfiguruara me mbrojtjet aktive të një shpërndarjeje standarde Linux, përfshirë parandalimin e ekzekutimit në modalitetin mbikëqyrës (SMEP), parandalimin e aksesit në modalitetin mbikëqyrës (SMAP), rastësimin e vendosjes së hapësirës së adresave të kernelit (KASLR) dhe HARDENED_USERCOPY. Kjo ndihmoi në shmangien e vlerësimeve jorealiste që vareshin nga çaktivizimi i mbrojtjeve.

Agjentët prodhuan 291 demonstrime për rrjedhje informacioni dhe 1 169 kode funksionale shfrytëzimi për ngritje lokale të privilegjeve, që mund t’u jepnin përdoruesve lokalë pa privilegje akses root.

Kryem analizë të varianteve dhe zhvilluam 948 korrigjime të veçanta për dobësitë që mundësonin këto shfrytëzime. Këtë numër e përdorim për të përcaktuar numrin e përgjithshëm të dobësive të veçanta LPE. Zhvillimi i kodeve të suksesshme të shfrytëzimit kushtoi mesatarisht 359 $ në kredite. Kjo e bën relativisht të lirë për mbrojtësit testimin e mundësisë së shfrytëzimit të dobësive të gjetura.

Agjenti i përzgjedhjes fillestare të dobësive kushtoi 44 194 $ në kredite API. Faza e shfrytëzimit kushtoi gjithsej 775 929 $ në kredite API: 84 929 $ për përpunimin e rasteve të mundshme të rrjedhjes së informacionit dhe 691 000 $ për rastet e mundshme të ngritjes lokale të privilegjeve.

Mesatarisht, përpunimi i një rasti të mundshëm të ngritjes lokale të privilegjeve (558 $) kushtonte afërsisht dyfishin e përpunimit të një rasti të mundshëm të rrjedhjes së informacionit (271 $). Kjo sepse PoC-të për rrjedhjen e informacionit merreshin nga faza e verifikimit dhe kërkonin më pak ndryshime për t’u përdorur në një kod shfrytëzimi. Nga ana tjetër, zhvillimi i një kodi shfrytëzimi nga një rast i mundshëm LPE kërkonte shumë hapa shtesë, si planifikimi i strategjisë së shfrytëzimit, identifikimi i objekteve të cenueshme për t’u përdorur, anashkalimi i masave mbrojtëse e të tjera. Vumë re gjithashtu se përpjekjet e pasuksesshme të shfrytëzimit (3 922 $ për 69 raste) kushtonin shumë më tepër se ato të suksesshme (360 $ për 1 169 raste). Kjo vinte nga disa dobësi të vështira për t’u shfrytëzuar (p.sh. kushtet e garës). Përcaktimi i një kushti të arsyeshëm për ndërprerjen e përpjekjes, si ndalimi pas një ore pa përparim, do ta kishte ulur ndjeshëm koston e ExploitDev.

Për çdo dobësi të verifikuar, sistemi gjeneron edhe një korrigjim. I japim modelit kodin burimor përkatës dhe e udhëzojmë të ndjekë praktikat më të mira të shkrimit të korrigjimeve, si kryerja e kontrolleve statike mbi korrigjimin, ndjekja e praktikave të zhvillimit të softuerit të përdorura në kodin përreth dhe analiza e varianteve për t’u siguruar që korrigjimi është i plotë.

Duke ndjekur sugjerimin e komunitetit të kernelit Linux, kemi dërguar tashmë qindra raporte dhe korrigjime për dobësi kritike dhe po punojmë me partnerët e Patch the Planet për të dërguar gradualisht korrigjimet për pjesën tjetër. Kjo punë është pjesë e angazhimit tonë më të gjerë Daybreak për të mbështetur projektet me burim të hapur.

Në këtë pjesë ndajmë mësime, reflektime dhe analiza shtesë nga ky studim.

Gjatë këtij studimi, vumë re se mirëmbajtësit e Linux po vepronin shpejt për të korrigjuar dobësitë dhe për të mbrojtur përdoruesit. Skanimi u krye në kernelin më të fundit Linux në mesin e tetorit 2026. Kur skanimi autonom dhe analiza manuale përfunduan pas 10 ditësh, 61 dobësi LPE ishin korrigjuar tashmë në projektin burimor, 43 kishin korrigjime në përgatitje dhe 299 po raportoheshin dhe diskutoheshin publikisht.

I vlerësojmë shumë mirëmbajtësit e Linux që kanë punuar me urgjencë për të korrigjuar problemet e identifikuara, si edhe komunitetin më të gjerë të sigurisë që ka kontribuar me gjetjet e veta. Ky reagim kolektiv është pikërisht ajo që nevojitet për të siguruar softuerin në mbarë botën. Ritmi i shpejtë i publikimit dhe korrigjimit të dobësive thekson gjithashtu sa e domosdoshme është që përdoruesit dhe kompanitë ta mbajnë softuerin të përditësuar.

Mësimi kryesor: Vlerësimi fillestar i automatizuar duhet të marrë parasysh ciklin e shpejtë të korrigjimeve. Riverifikimi i gjetjeve në kodin më të fundit, përfshirë kodin e ri të integruar pas skanimit fillestar, ndihmon në shmangien e raporteve të dyfishta ose të vjetruara. Kjo e përqendron vëmendjen te dobësitë e pazgjidhura dhe u jep mirëmbajtësve prova mbi të cilat mund të veprojnë, pa shtuar ngarkesë të panevojshme shqyrtimi.

Ndërsa po zhvillonim procesin, në fund të korrikut 2026, GPT‑5.6 Sol gjeti dhe shfrytëzoi 166 dobësi të veçanta LPE, me një kosto të përgjithshme prej 513 690 $ në kredite API.

Në skanimin e dytë, në mesin e tetorit 2026, modeli më i ri kibernetik gjeti dhe shfrytëzoi 948 dobësi të veçanta LPE, me një kosto të përgjithshme prej 1 213 430 $ në kredite API. Në të dyja fushatat, skanuam versionin më të fundit të degës master të kernelit Linux në atë kohë.

Mësimi kryesor: Riskano kodin e audituar më parë teksa aftësitë e modeleve përmirësohen. Një model më i aftë mund të zbulojë dobësi që modelet e mëparshme nuk i kanë kapur, edhe kur përdoret e njëjta strukturë kërkimore.

Përzgjodhëm një kampion prej 166 kodesh shfrytëzimi të zhvilluara nga agjentët dhe analizuam teknikat e përdorura në to. Me aq sa dimë, agjentët përdorën 10 teknika të reja shfrytëzimi në kodet e kampionit. I ndamë teknikat e shfrytëzimit me ekspertë të jashtëm të shfrytëzimit të kernelit, dhe ato ishin të reja edhe për ta.

Nga 10 teknikat, dy përdorin objekte të reja elastike e të qëndrueshme, të cilat modeli i përdori për të mbushur me objekte memorien cache të synuar të kernelit; dy janë teknika të reja të organizimit të faqeve të memories për të rritur besueshmërinë e shfrytëzimit; pesë janë teknika të reja që veprojnë vetëm mbi të dhënat për të ngritur privilegjet drejtpërdrejt ose përmes një shkrimi arbitrar; teknika tjetër përfshin ngatërrim arbitrar të tipeve. Për arsye sigurie, nuk i publikojmë në këtë postim hollësitë e plota teknike të këtyre teknikave të reja të shfrytëzimit.

Mësimi kryesor: Modelet avangardë nuk mjaftohen me njohjen e modeleve të njohura të kodit të cenueshëm apo vetëm me përdorimin e teknikave të njohura të shfrytëzimit; ato shfaqin krijimtari dhe qasje të reja.

Një pjesë e rëndësishme e misionit të ekipit tonë është të matë koston e gjetjes dhe shfrytëzimit të dobësive dhe t’i përdorë këto të dhëna për të orientuar investimet në mbrojtje. Synimi ynë është t’i ndihmojmë mbrojtësit t’i korrigjojnë dobësitë përpara se sulmuesit t’i përdorin dhe ta bëjmë shfrytëzimin e softuerit tepër të kushtueshëm për sulmuesit. Matja e kostove të shfrytëzimit na ndihmon të vlerësojmë si ndryshon kjo sfidë teksa aftësitë e modeleve përmirësohen. Në këtë pjesë, krahasojmë koston e ekzekutimit të procesit tonë me shpërblimet që programet e zbulimit të dobësive ofrojnë për dobësitë e identifikuara.

Makinat virtuale të synuara në eksperimentin tonë përdornin një sistem operativ standard për kompjuterë personalë, jo një objektiv me siguri të dobësuar, sipas të njëjtit model kërcënimi që përdoret në garat e sigurisë kibernetike (p.sh. Pwn2Own⁠(hapet në një dritare të re), TyphoonPWN⁠(hapet në një dritare të re)). Historikisht, Pwn2Own dhe TyphoonPWN kanë ofruar shpërblime për zbulimin e dobësive prej përkatësisht 20 000 $ dhe 70 000 $ për kode shfrytëzimi që mundësojnë ngritjen lokale të privilegjeve në kernelin Linux. Nëse këto shuma historike shpërblimesh zbatohen për 948 kodet e shfrytëzimit, vlera hipotetike arrin në 18,9–66,3 milionë $, afërsisht 16 deri në 55 herë më shumë se kostoja e procesit tonë.

E testuam procesin tonë edhe në kuadër të programit të Google për shpërblimin e zbulimit të dobësive, kernelCTF⁠(hapet në një dritare të re), i cili përdor si objektiv një kernel Linux me siguri të përforcuar dhe sipërfaqe sulmi të zvogëluara. E ekzekutuam procesin në versionin më të fundit të kernelit Linux, në mjedisin e kernelCTF, dhe përftuam 25 demonstrime për rrjedhje informacioni dhe 21 kode shfrytëzimi për ngritje lokale të privilegjeve. Ky version ishte i papajtueshëm me masën mbrojtëse SLAB_VIRTUAL të kernelCTF, ndaj e hoqëm atë nga konfigurimi. Për krahasim, deri në kohën e shkrimit, kernelCTF kishte pranuar 26 kode të konfirmuara shfrytëzimi LPE për dobësi 0-day gjatë vitit 2026. E gjithë fushata zgjati gjithsej 112 orë dhe kushtoi rreth 32 936 $ në kredite API; zbulimi i dobësive përbënte 83,7% të kostos së API-së. Nëse programi do t’i pranonte 21 dobësitë, shpërblimi do të ishte rreth 1,5 milionë $, afërsisht 45 herë më shumë se kostoja.

Mësimi kryesor: Bazuar në shumat publike të shpërblimeve dhe me modelet aktuale me aftësi kibernetike, procesi ynë i kërkimit të dobësive rezultonte me fitim neto në kohën e këtij studimi. Mbrojtësit duhet ta analizojnë paraprakisht softuerin e tyre, në mënyrë që shfrytëzimi i tij të bëhet tepër i kushtueshëm për sulmuesit.

Gjatë vlerësimit të mundësisë së shfrytëzimit, agjentëve ExploitDev iu dha një raport dobësie dhe detyra për të krijuar një kod shfrytëzimi plotësisht funksional. Procesi ynë e shënonte një dobësi si të shfrytëzuar nëse arrihej të hapej një shell me privilegje root. Gjatë një ekzekutimi të hershëm, faza e shfrytëzimit raportoi 200 kode të suksesshme për ngritje lokale të privilegjeve. Megjithatë, pas shqyrtimit njerëzor, zbuluam se 20 prej tyre kishin arritur privilegje root përmes një dobësie tjetër 0-day nga ajo që u ishte caktuar. Kjo sugjeron se edhe shfrytëzimi i suksesshëm nga agjentët ka nevojë për verifikim të duhur.

Më pas i shtrënguam kufizimet e detyrës dhe shtuam një kontroll të pavarur për të konfirmuar se çdo kod përfundimtar shfrytëzimi përdorte dobësinë e caktuar.

Mësimi kryesor: Në kërkimin autonom të sigurisë, verifiko jo vetëm rezultatin, por edhe rrugën e ndjekur për ta arritur; izolimi, monitorimi dhe kontrollet e pavarura janë masa të domosdoshme.

Në fillim të këtij studimi, shqyrtuam nëse duhej të ndërtonim një orkestrim të ndërlikuar rreth agjentit për t’i përmirësuar aftësitë kibernetike. Rezultati ynë sugjeroi se modelet më të fuqishme kërkojnë më pak orkestrim dhe udhëzim hap pas hapi. Për më tepër, përmirësimi i vogël shtesë nuk e justifikon koston e mirëmbajtjes. Si rrjedhojë, vendosëm ta hiqnim orkestrimin e ndërlikuar.

Eksperimenti krahasoi GPT‑5.5 Cyber me GPT‑5.6 Cyber. Sipas vëzhgimeve tona, GPT‑5.5 Cyber nuk e identifikonte vazhdimisht saktë se kur dhe si duheshin zbatuar teknikat ekzistuese të shfrytëzimit të kernelit Linux. Më pas mblodhëm 103 teknika në një format të përshtatshëm për modelin, i vendosëm në mjedisin e agjentit dhe e udhëzuam t’i përdorte. Në 63 raste të mundshme shfrytëzimi, kjo e rriti shkallën e suksesit nga 76,2% në 88,9%.

Kur e përsëritëm këtë me GPT‑5.6 Cyber, modeli ishte më i aftë t’i gjente, përzgjidhte dhe zbatonte vetë teknikat përkatëse. Hoqa orkestrimin e teknikave dhe aftësive, dhe kjo rrjedhë pune e GPT‑5.6 Cyber me orkestrim të lehtë dha rezultate më të mira se rrjedha e punës e GPT‑5.5 Cyber me strukturë mbështetëse më të ndërlikuar. Rikthimi i shtresës shtesë të teknikave për GPT‑5.6 Cyber solli vetëm një përmirësim të vogël prej 1,5 pikësh përqindjeje.

Mësimi kryesor: Rivlerëso orkestrimin dhe strukturën tënde kur ndryshojnë aftësitë e modelit bazë. Një strukturë mbështetëse që përmirëson ndjeshëm një brez modelesh mund t’i shtojë pak vlerë një modeli më të fuqishëm dhe duhet vlerësuar kundrejt kostos së mirëmbajtjes.

Fillimisht, kur i kërkohej drejtpërdrejt të gjeneronte korrigjime të propozuara, modeli krijonte korrigjime funksionalisht të sakta që neutralizonin demonstrimin, por herë pas here sillnin probleme të tjera: më shumë kod se ç’nevojitej, pasoja të mundshme në performancë, shmangie nga konventat e kodimit ose mosshqyrtim të kodit të lidhur për variante të së njëjtës dobësi, duke lënë korrigjime të paplota.

Udhëzimet shtesë dhe përmirësimet e përsëritura të procesit të gjenerimit rritën cilësinë e korrigjimeve. Kjo sugjeron se, me trajtimin e duhur, korrigjimet e sigurisë të gjeneruara nga IA mund të jenë të sakta, minimale dhe në përputhje me konventat ekzistuese të kodit. Kjo është një fushë aktive kërkimore dhe besojmë se do të bëhet më e lehtë dhe më efektive me modelet e ardhshme. Në disa raste, prototipi ynë kërkimor arriti gjithashtu të identifikonte probleme në korrigjime të shkruara nga ekspertë njerëzorë, të cilat më pas u ndreqën përpara integrimit.

Mësimi kryesor: Modelet mund ta përshpejtojnë procesin e korrigjimit, por aftësitë dhe strukturat e korrigjimit mund të kërkojnë përmirësime të përsëritura për të siguruar që korrigjimet përmbushin në mënyrë të besueshme si kërkesat funksionale, ashtu edhe ato jofunksionale. Gjithashtu, rekomandojmë përdorimin e modeleve për shqyrtimin nga këndvështrimi i sulmuesit të korrigjimeve të gjeneruara nga njerëzit dhe IA. Kjo mund të identifikojë probleme si mundësia e anashkalimit të korrigjimit, mosmbulimi i rrugëve apo varianteve të tjera të sulmit e të tjera.

Gjatë ekzekutimit në kernelCTF, përveç 21 kodeve të shfrytëzimit të dobësive 0-day në kernelin Linux, prototipi ynë kërkimor gjeti dhe shfrytëzoi edhe një dobësi në QEMU TCG. Agjentit analist iu caktua analiza e kodit të hyrjes së thirrjeve të sistemit dhe, ndërsa shkruante programe për të eksperimentuar me kalimet mes niveleve të privilegjeve, hasi një ndërprerje të papritur të kernelit. Ai analizoi ndërprerjen dhe e gjurmoi problemin te QEMU TCG, pa pasur akses në kodin burimor të QEMU, dhe e përfshiu dobësinë në raport. Më pas, agjenti ExploitDev zhvilloi me sukses një kod shfrytëzimi për ngritje lokale të privilegjeve për këtë dobësi. E zbuluam këtë dobësi të QEMU gjatë analizës manuale të kodeve të shfrytëzimit dhe konfirmuam se ishte korrigjuar në projektin burimor QEMU, por jo në versionin e publikuar të përdorur gjatë eksperimentit.

Mësimi kryesor: Modelet avangardë me aftësi kibernetike mund të gjejnë dobësi në infrastrukturën e testimit. Rekomandojmë testimin e çdo pjese të infrastrukturës përpara kërkimit të dobësive me metoda sulmuese. Ne e kemi testuar paraprakisht infrastrukturën tonë, duke raportuar dhe korrigjuar shumë dobësi në Kata, Moby/Docker, gVisor dhe projekte të tjera.

Synimi ynë është t’i kthejmë aftësitë në rritje të modeleve në një avantazh të qëndrueshëm për njerëzit që mbrojnë internetin. Ky studim tregon se aftësitë kibernetike në rritje të modeleve avangardë mund të përdoren për të kërkuar me efektivitet dobësi në softuer kompleks, si kerneli Linux. Forcimi i sigurisë së projekteve kritike të softuerit, si Linux dhe projekte të tjera me burim të hapur, mund të mbrojë shumë sisteme dhe përdorues që varen prej tyre.

Përmes Patch the Planet, një nismë e Daybreak, synojmë ta shtrijmë këtë studim në më shumë projekte kritike softueri dhe të zhvillojmë korrigjim të automatizuar e të besueshëm, së bashku me mirëmbajtësit dhe partnerët e sigurisë. Duam t’i pakësojmë vazhdimisht mundësitë e sulmuesve dhe të rrisim koston e gjetjes dhe shfrytëzimit të dobësive, derisa përfitimi i pritshëm të mos e justifikojë më sulmin.

Çdo brez modelesh duhet të na ndihmojë të ndërtojmë softuer që brezi pasues e ka më të vështirë ta komprometojë. Do të vazhdojmë të punojmë për një internet të sigurt, mbi të cilin çdokush të mund të krijojë me kënaqësi.